[论文解读] Optimal Estimation of Low Rank Density Matrices

Vladimir Koltchinskii, Dong Xia|arXiv (Cornell University)|Jul 17, 2015

Sparse and Compressive Sensing Techniques参考文献 26被引用 17

一句话总结

本文在迹回归模型下，针对量子态层析中的保 Pauli 测量，建立了低秩密度矩阵估计的极小极大下界。提出了一种带冯·诺依曼熵惩罚的最小二乘估计器，其在 Schatten $p$-范数、Bures 距离和 Kullback-Leibler 散度下均达到最优速率（对数因子内），展示了在多种统计距离下的近似最优估计误差。

ABSTRACT

The density matrices are positively semi-definite Hermitian matrices of unit trace that describe the state of a quantum system. The goal of the paper is to develop minimax lower bounds on error rates of estimation of low rank density matrices in trace regression models used in quantum state tomography (in particular, in the case of Pauli measurements) with explicit dependence of the bounds on the rank and other complexity parameters. Such bounds are established for several statistically relevant distances, including quantum versions of Kullback-Leibler divergence (relative entropy distance) and of Hellinger distance (so called Bures distance), and Schatten $p$-norm distances. Sharp upper bounds and oracle inequalities for least squares estimator with von Neumann entropy penalization are obtained showing that minimax lower bounds are attained (up to logarithmic factors) for these distances.

研究动机与目标

• 推导量子态层析中迹回归模型下低秩密度矩阵估计的极小极大下界。
• 量化估计误差对秩 $ r $、维数 $ m $ 和样本量 $ n $ 的依赖关系，尤其在保 Pauli 测量背景下。
• 为一种带冯·诺依曼熵惩罚的最小二乘估计器建立精确的上界和 oracle 不等式。
• 证明所提出的估计器在多种统计距离下（包括 Schatten $ p $-范数、Bures 距离和相对熵）达到极小极大速率（对数因子内）。
• 为低秩量子态恢复中熵正则化估计的最优性提供理论依据。

提出的方法

• 在从正交基抽取的 i.i.d. 设计下，推导迹回归模型中 Schatten $ p $-范数、Bures 距离和 Kullback-Leibler 散度的估计误差极小极大下界。
• 提出一种带冯·诺依曼熵惩罚的最小二乘估计器，以控制模型复杂度并强制实现低秩结构。
• 使用正则化参数 $ \varepsilon $，其调节方式为 $ \varepsilon = \frac{U}{\log(mn)} \sqrt{\frac{\log(2m)}{nm}} $，其中 $ U $ 为基元素算子范数的上界。
• 应用浓度不等式与插值技术，对 $ q \in [1,2] $ 的 $ L^q $-范数估计误差进行上界控制，利用 Scharatten 范数与迹范数之间的关系。
• 运用关键引理（引理 23）通过真实密度矩阵的秩将估计误差的 $ L^1 $-范数与 Hellinger 距离关联起来。
• 在概率至少 $ 1 - m^{-2} $ 的高概率下建立估计误差的上界，利用噪声的尾部界与算子范数控制。

实验结果

研究问题

• RQ1 在具有 Pauli 测量的迹回归模型下，低秩密度矩阵估计的极小极大下界是什么？
• RQ2 估计误差在不同统计距离下如何随秩 $ r $、维数 $ m $ 和样本量 $ n $ 变化？
• RQ3 带冯·诺依曼熵惩罚的最小二乘估计器是否能在多种距离下实现极小极大最优速率（对数因子内）？
• RQ4 正则化参数 $ \varepsilon $ 在低秩密度矩阵估计中平衡偏差与方差方面起什么作用？
• RQ5 估计速率在多大程度上依赖于测量基的结构，如 Pauli 基？

主要发现

• Schatten $ q $-范数估计的极小极大下界为 $ \frac{m r^{1/q}}{\sqrt{n}} \wedge \left(\frac{m}{\sqrt{n}}\right)^{1 - 1/q} \wedge 2 $，与上界仅相差对数因子。
• 在核范数、平方 Hellinger 距离和 Kullback-Leibler 距离下，极小极大速率为 $ \frac{m r}{\sqrt{n}} $，前提是 $ m r \lesssim \sqrt{n} $，且该速率可由惩罚估计器实现。
• 估计器 $ \tilde{\rho}^\varepsilon $ 以高概率 $ 1 - m^{-2} $ 满足 $ \|\tilde{\rho}^\varepsilon - \rho\|_q \leq C \left( \frac{U m^{3/2} r^{1/q}}{\sqrt{n}} \sqrt{\log m} \log^{(2-q)/q}(mn) \right) \wedge 2 $，与极小极大速率仅相差对数因子。
• Bures 距离与 Kullback-Leibler 散度的上界为 $ C \frac{U m^{3/2} r}{\sqrt{n}} \sqrt{\log m} \log(mn) $，对数因子内最优。
• 证明依赖于一种新颖的插值不等式与一个浓度引理（引理 23），后者将误差的 $ L^1 $-范数与 Hellinger 距离及真实态的秩关联起来。
• 在有界响应情形（如 $ U = m^{-1/2} $ 的 Pauli 基），在 $ n \gtrsim \log m $ 的温和条件下，速率仍保持极小极大最优。